محققان در مطالعهای تازه، راهکار خلاقانهای به نام FedFFT برای حل یکی از مشکلات اساسی در یادگیری فدرال (Federated Learning) ارائه کردهاند. در یادگیری فدرال، مدلها در دستگاههای مختلف آموزش میبینند که باعث ایجاد اختلاف (Client Drift) به دلیل تفاوت در نوع دادهها میشود.
این روش جدید با تحلیل «دامنه فرکانس» (Frequency Domain) و فیلتر کردن مولفههای ناسازگار در فرآیند بهینهسازی SAM، باعث میشود مدلها بدون نیاز به تبادل دادههای اضافه، یادگیری دقیقتر و پایدارتری داشته باشند. این دستاورد به ویژه برای بهبود مقیاسپذیری هوش مصنوعی در محیطهای غیرمتمرکز بسیار کلیدی است. 📈
منبع: arXiv Machine Learning